Qiskit Optimization

Qiskit Optimization 是一个开源框架，涵盖了从优化问题的高级建模，到自动将问题转换为不同所需表示的全过程，再到一套易于使用的量子优化算法，这些算法可以运行在经典模拟器上，也可以通过Qiskit在真实量子设备上运行。

优化模块通过使用docplex，使优化问题的建模变得简单、高效。它提供了一个统一的接口，以及不同问题表示形式之间的自动转换，允许用户使用大量算法解决问题，从变分量子算法，如量子近似优化算法QAOA，到使用GroverOptimizer的Grover自适应搜索，利用由Qiskit算法提供的基本算法。此外，优化模块的模块化设计使其易于扩展，并促进了新算法的快速开发和测试。还提供了兼容的经典优化器，用于测试、验证和基准测试。

安装

我们鼓励您通过pip工具（一个Python包管理器）安装Qiskit优化。

pip install qiskit-optimization

pip将自动处理所有依赖项，并且您将始终安装最新（且经过良好测试）的版本。

如果您想尝试在官方发布之前尝试功能，或者如果您想为优化做出贡献，那么您可以安装源代码。为此，请遵循文档中的说明。

可选安装

• IBM CPLEX可以使用命令pip install 'qiskit-optimization[cplex]'安装，以启用读取LP文件和使用CplexOptimizer，它是cplex.Cplex的包装器。CPLEX是一个独立的包，其Python版本的支持独立于Qiskit优化，因此，如果尚无兼容的CPLEX版本，此CPLEX命令将不会产生影响。

• CVXPY可以使用命令pip install 'qiskit-optimization[cvx]'安装。安装CVXPY将启用使用Goemans-Williamson算法作为优化器GoemansWilliamsonOptimizer。

• Matplotlib可以使用命令pip install 'qiskit-optimization[matplotlib]'安装。安装Matplotlib将启用在图优化应用程序类中使用draw方法。

• Gurobipy可以使用命令pip install 'qiskit-optimization[gurobi]'安装。安装Gurobipy将启用使用GurobiOptimizer。

在Qiskit中创建您的第一个优化编程实验

现在，Qiskit优化已安装，是时候开始使用优化模块了。让我们尝试一个优化实验来计算最大切割问题的解。最大切割问题可以表示为二次规划，可以使用Qiskit中的许多不同算法来求解。在此示例中，使用了MinimumEigenOptimizer与量子近似优化算法（QAOA）结合作为最小特征值求解程序。

from docplex.mp.model import Model

from qiskit_optimization.algorithms import MinimumEigenOptimizer
from qiskit_optimization.translators import from_docplex_mp

from qiskit.primitives import Sampler

from qiskit_algorithms.utils import algorithm_globals
from qiskit_algorithms import QAOA
from qiskit_algorithms.optimizers import SPSA

# Generate a graph of 4 nodes
n = 4
edges = [(0, 1, 1.0), (0, 2, 1.0), (0, 3, 1.0), (1, 2, 1.0), (2, 3, 1.0)]  # (node_i, node_j, weight)

# Formulate the problem as a Docplex model
model = Model()

# Create n binary variables
x = model.binary_var_list(n)

# Define the objective function to be maximized
model.maximize(model.sum(w * x[i] * (1 - x[j]) + w * (1 - x[i]) * x[j] for i, j, w in edges))

# Fix node 0 to be 1 to break the symmetry of the max-cut solution
model.add(x[0] == 1)

# Convert the Docplex model into a `QuadraticProgram` object
problem = from_docplex_mp(model)

# Run quantum algorithm QAOA on qasm simulator
seed = 1234
algorithm_globals.random_seed = seed

spsa = SPSA(maxiter=250)
sampler = Sampler()
qaoa = QAOA(sampler=sampler, optimizer=spsa, reps=5)
algorithm = MinimumEigenOptimizer(qaoa)
result = algorithm.solve(problem)
print(result.prettyprint())  # prints solution, x=[1, 0, 1, 0], the cost, fval=4

更多示例

学习路径笔记本可以在文档的优化教程部分找到，这是一个很好的开始。

贡献指南

如果您想为Qiskit做出贡献，请查看我们的贡献指南。此项目遵循Qiskit的行为准则。通过参与，您应遵守此准则。

我们使用GitHub问题来跟踪请求和错误。请加入Qiskit Slack社区进行讨论和简单问题。对于更适合在论坛中提出的问题，我们在Stack Overflow中使用Qiskit标签。

作者和引用

优化是由一群研究人员的集体工作所启发、撰写和实现的。优化在众多人士的帮助和努力下不断成长，这些人以不同的层次为项目做出贡献。[如果您使用Qiskit，请根据提供的BibTeX文件进行引用。](https://github.com/qiskit-community/qiskit-optimization/graphs/contributors)

许可证

本项目使用Apache License 2.0。